基于Sentinel-2 影像数据的耕地撂荒信息提取——以甘肃省天水市八里湾镇为例

马引弟，吴 静，李纯斌，李晓杰

（1.甘肃农业大学 管理学院，甘肃兰州 730070；2.甘肃农业大学 资源与环境学院，甘肃兰州 730070）

一、引言

随着城乡一体化和社会经济转型的快速推进，在农业生产效益低下与农村劳动力向外转移等多重因素的影响下，农村撂荒耕地面积逐年增加，在我国经济欠发达地区尤其是丘陵和山区最为明显[1]。我国人多地少，耕地撂荒危及粮食安全和当地生态环境。当前撂荒地的提取多基于MODIS、Landsat、SPOT、高分一号、TM/ETM+等数据[2-8]，但这些影像数据时空分辨率或光谱分辨率较低，对地形复杂区域的地类提取有一定的干扰。欧空局于2015 年发射Sentinel-2A 卫星以及2017 年发射的Sentinel-2B卫星遥感空间分辨率达10 m，且增加了4 个与叶绿素含量密切相关的红边波段，现已运用于作物识别[9]、地物类型的划分[10-11]等各方面研究，对于地形复杂区域的地类划分有着重要的作用，如张卫春等（2019）[12]在研究低山丘陵区土地利用分类时，加入Sentinel-2 数据红边波段的相关指数特征，有效地提高了低山丘陵区土地利用的分类精度。

甘肃省天水市八里湾镇地形复杂，地块破碎，土地利用分散，混合像元较多，对地物信息精准提取造成很大干扰，利用随机森林算法对八里湾镇的Sentinel-2 高分辨率遥感卫星数据进行土地利用分类，利用混淆矩阵检验分类结果精度，并依据耕地撂荒判别规则，提取耕地撂荒信息。

二、研究区概况

八里湾镇位于甘肃省天水市甘谷县渭北的浅山区，其所处位置如图1 所示。从地形上看，地形崎岖，地块破碎，以山地为主，平均海拔1 820 m，西南部坡度较大，总耕地面积50.80 km2，以旱地为主，平均降水量440 mm，年平均气温7.8 度，全年无霜期158 天，当地主要作物有玉米、冬小麦、洋芋等，作物一年一熟，冬小麦生长周期从当年9 月份种植，来年7 月收割，而玉米和洋芋在3 月份种植，当年8月底开始收割。

图1 八里湾镇位置图

三、数据来源与方法

（一）数据来源

Sentinel-2 数据（https：//scihub.copernicus.eu/dhus/#/home）：同一组包含了AB 两颗星，Sentinel-2A 发射于2015 年6 月23 日，Sentinel-2B 卫星发射于2017年3 月7 日，Sentinel-2 数据空间分辨率为10 m。本文选择2017-06-06 和2018-06-11 的Sentinel-2A以及2019-06-01 的Sentinel-2B 影像数据，三期影像集中在6 月份，此时，主要农作物冬小麦进入乳熟阶段，玉米开始出穗，洋芋的叶子生长茂盛，与混杂植被覆盖的差异较大，容易区；采用30 m 分辨率的DEM 数据，来源于地理空间数据云（http：//www.gscloud.cn/）；在提取采样点时，参考了来自于全能电子地图下载器的Google Earth 影像数据，地图级别越高分辨率越高，在这里采用了18 级，分辨率为0.6 m的Google Earth 影像。

（二）数据预处理

本文调用欧空局提供的Sen2cor 中的L2A_Process及L2B_Process 进行大气校正，并保留10 m 分辨率的波段，使用snap 软件对数据进行重采样成hdr 格式，并裁剪出研究区范围，计算提取NDVI、RENDVI、S2REP 三个指数特征；将DEM 数据重采样为10 m，计算坡度；将原影像的红波段、绿波段、蓝波段、近红波段、NDVI、RENDVI、S2REP、DEM、坡度组合为9 个波段的待分类影像。

土地利用分类是研究土地利用变化的基础，根据研究区实际情况结合《土地利用现状分类》（GB/T 21010—2017）将研究区内的土地利用状况分为旱地、林地、草地、水域、裸地以及建设用地六类，结合八里湾镇Google Earth 影像数据和实地调查数据提取采样点以及验证样本点共195 个点，约70%的样点作为分类样本点，30%的样点作为验证样本点。研究区内水域少且集中分布，因此水域采样点较少且密集分布。

（三）随机森林算法分类

随机森林算法是2001 年由美国科学院院士Leo Breiman（2001）[13]综合他提出的Bagging 集成、CART决策树以及特征随机选取思想而提出的机器学习算法，该算法的基本思想是利用bootstrap 重抽样方法从原始样本中抽取多个样本，对每个bootstrap 样本进行决策树建模，然后将这些决策树组合在一起，通过投票得出最终分类或预测的结果。建立步骤如下：在原始样本中，随机且有放回地抽取N 个训练样本，训练集的大小约为原始数据的2/3；测试数据集的样本约为原始数据的1/3。

基于抽取的训练样本集分别建立N 棵CART决策树组成随机森林，在每棵树生长过程中，从M 个特征变量中随机抽取m 个（m≤M）进行内部节点的划分，m 个特征组成的子集被称为特征的随机子空间。

最后组合N 棵决策树的预测结果，利用投票的方式确定新样本的类别。

通常情况下，树的个数（N）设为100，单棵树的最大特征数目（m）为总特征数个数的平方根[14-15]。

（四）耕地撂荒的提取规则

1.耕地撂荒的定义。在前人的研究里，一般结合研究区实际情况与耕作制度来确定撂荒，在不同地区有把耕地闲置一年以上定义为撂荒[6-7]，有把耕地荒芜一季或一季以上的视为撂荒[16-17]。八里湾镇受季风影响，降水分布极不均匀，主要农作物一年一熟，当地一年一次调整作物或是对耕地进行休耕，两年及两年以上则是放弃耕种，据此本文将耕地撂荒定义为：耕地闲置或荒芜两年以上（包括两年）为耕地撂荒，而耕地闲置或荒芜一年为耕地休耕。

2.耕地撂荒的提取规则。八里湾镇位于山区，土地破碎严重，撂荒地在影像上难以直接分辨，因此通过建立撂荒判别规则，以耕地向其他地类的转变判断撂荒状况。根据实际调查情况，在研究区内，耕地荒芜以后可能演变为裸地、草地两种类型。根据以上定义及研究区耕地撂荒演变状况，对撂荒地的判别规则如下：在第2017 年有耕地斑块A、B、C、D，在2018 年A、B 斑块转变为裸地或草地，C、D 斑块依旧为耕地；2019 年A 斑块恢复耕种为耕地、B 斑块依旧为裸地或草地、C 斑块依旧耕种、D 斑块转变为裸地或草地。在演变的过程中B 斑块连续两年为裸地或草地状态，则判断其为耕地撂荒，而A、D 斑块有一年变为裸地或草地状态，则将其视为休耕且D 斑块存在潜在撂荒，如表1 所示。

表1 耕地撂荒判断规则

耕地撂荒通常用耕地的撂荒率定量化表达，即每年的撂荒面积占本底耕地面积的比例。具体表达式如下：

式中：Pi表示撂荒率；Ai表示第i 年的耕地撂荒面积；A0表示本底耕地面积。

四、结果与分析

遥感影像分类结果利用混淆矩阵进行精度评价，确定分类的精度和可靠性，评价精度的因子有总体分类精度、Kappa 系数等。2017—2019 年随机森林分类结果的分类精度依次为87%、76%、86%，Kappa 系数依次为0.85、0.71、0.83。可以看出，分类精度均在75%～90%之间，2018 年分类结果精度低于2017 年和2019 年的分类结果精度，由于2018 年局部的小块云覆盖影响了分类。

利用随机森林算法得到的土地利用分类结果，得到2017 年的耕地数据作为本耕地数据，使用撂荒地的判断规则提取了2017—2019 年耕地撂荒空间分布图，2017—2018 年以及2018—2019 年的休耕空间分布图（图2a、图2b、图2c、图2d）。

图2 休耕以及耕地撂荒分布图

从图2 可以看出，耕地休耕每年都存在且不能确定休耕具体位置以及面积大小，分布面积较大，较广较均匀，计算得到2017—2018 年休耕面积为11.374 5 km2，2018—2019 年休耕面积为6.736 4 km2，2018—2019 年休耕面积少于2017—2018 年休耕面积，说明上一年没有耕种的耕地下一年开始耕种，或者一年内轮换作物，在遥感影像上呈现出裸地或草地状态。

以2017 年土地利用分类的耕地为本底耕地数据，与2018 年、2019 年草地和裸地相交得到了2017—2019 年撂荒数据，计算得到撂荒面积为3.964 1 km2，从撂荒分布图可以看出撂荒集中在西南部，东北部撂荒较少。

影响山区地形的重要因素之一是坡度，按照1984 年中国农业区划委员会颁发《土地利用现状调查技术规程》对耕地坡度分为≤2°、2°～6°、6°～15°、≥15°四个级别，将耕地撂荒信息落在坡度图上，如图3（d）所示，可以更明显地看出在坡度大于15° 的西南部耕地撂荒更多，由此可见，坡度越大，撂荒概率越高。

五、结论与讨论

（一）结论

本文基于2017—2019 年甘肃省天水市甘谷县八里湾乡的Sentinel-2 数据，利用随机森林算法分类，根据建立的耕地撂荒提取规则提取2017—2019年的休耕、撂荒范围，制作休耕以及撂荒分布图，得到以下结论：（1）采用随机森林算法分类对2017—2019 年影像进行分类，其分类精度均在0.7～0.9 之间，可以将分类结果运用于耕地撂荒的判别。（2）通过计算，2017—2018 年休耕面积为11.374 5 km2，2018—2019 年休耕面积为6.736 4 km2，2017—2019年撂荒面积为3.964 1 km2，得到撂荒率为7.8%，可以看出甘谷县八里湾镇的休耕现象比较普遍，耕地撂荒现象是比较严重的。（3）结合坡度来看，撂荒主要分布在坡度大于15° 的西南部，则说明坡度越大，越不适宜于耕种。

（二）讨论

本文中利用新的Sentinel-2 遥感影像数据，分辨率为10 m，比之以往的Landsat 等数据，有更高的准确性，但Sentinel-2 遥感影像数据时间较短，无法从长时间分析当地耕地撂荒情况；在土地利用分类图时，结合了红波段、绿波段、蓝波段、近红波段、NDVI、RENDVI、S2REP、DEM、坡度9 个因子，是否可以结合更多遥感影像波段组合的特征指数，更准确地执行土地利用分类；在实地调查时农村老人儿童留守人口居多，对过去的事不清楚或者回忆不起来，验证数据存在一定的误差，且实地调查需要花费大量的时间和资金。